本文選題：聚類(lèi) + K-means算法　； 參考：《統(tǒng)計(jì)與決策》2017年19期

【摘要】：文章回顧了經(jīng)典的K-means算法,分析了其存在的兩個(gè)突出缺點(diǎn):無(wú)法自行確定聚類(lèi)數(shù)k和對(duì)初始聚類(lèi)中心點(diǎn)十分敏感。受光電效應(yīng)實(shí)驗(yàn)中電子束在反向電場(chǎng)中的串行規(guī)律啟發(fā),提出了基于捕獲流動(dòng)中心試點(diǎn)的自適應(yīng)確定聚類(lèi)數(shù)目的K-means算法,該算法模擬電子束在異性電子云中的串行,令數(shù)據(jù)點(diǎn)簇捕獲流動(dòng)的聚類(lèi)中心試點(diǎn),來(lái)消除多余的初始聚類(lèi)中心,從而達(dá)到解決K-means算法的存在的缺陷問(wèn)題。實(shí)驗(yàn)表明,該算法具有很強(qiáng)的自行確定聚類(lèi)數(shù)的能力,也大大降低了對(duì)初始聚類(lèi)中心選擇的敏感度。
[Abstract]:In this paper, we review the classical K-means algorithm, and analyze its two outstanding shortcomings: the inability to determine the clustering number k and the sensitivity to the initial clustering center point.Inspired by the serial rule of electron beam in reverse electric field in optoelectric effect experiment, this paper presents an adaptive clustering algorithm based on trapping flow center experiment, which simulates the serial of electron beam in anisotropic electron cloud.In order to eliminate the superfluous initial clustering centers, the data clusters are used to capture the flow clustering centers in order to solve the defects of the K-means algorithm.The experimental results show that the algorithm has a strong ability to determine the number of clusters and greatly reduces the sensitivity of the initial cluster center selection.
【作者單位】： 華中科技大學(xué)軟件學(xué)院;
【基金】：湖北省自然科學(xué)基金資助項(xiàng)目(2016000346)
【分類(lèi)號(hào)】：TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李旭;林偉;溫金環(huán);史彩云;;基于圖譜理論的圖像聚類(lèi)數(shù)的確定及應(yīng)用[J];工程數(shù)學(xué)學(xué)報(bào);2012年05期

2 宋銘利;高新科;;基于距離的最大聚類(lèi)數(shù)探索算法的探討[J];礦山機(jī)械;2006年09期

3 田彥山;;基于山峰聚類(lèi)的聚類(lèi)上限確定方法[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年02期

4 孫吉貴;劉杰;趙連宇;;聚類(lèi)算法研究[J];軟件學(xué)報(bào);2008年01期

5 于慧娟;崔軍;毋曉志;李偉;;一種改進(jìn)的凝聚圖聚類(lèi)方法[J];山西煤炭管理干部學(xué)院學(xué)報(bào);2010年03期

6 崔軍;郭春艷;賈宗維;;一種連通非加權(quán)圖的快速聚類(lèi)方法[J];計(jì)算機(jī)工程與應(yīng)用;2008年07期

7 岳清華;鄭剛;;一種動(dòng)態(tài)心電圖波形聚類(lèi)策略的研究[J];天津理工大學(xué)學(xué)報(bào);2008年01期

8 陳華 ,丁杰偉;自適應(yīng)坐標(biāo)格繪制的實(shí)現(xiàn)[J];電腦編程技巧與維護(hù);2000年12期

9 侯勇嚴(yán),孫瑜,郭文強(qiáng);一種自適應(yīng)模糊PID控制器的仿真研究[J];陜西科技大學(xué)學(xué)報(bào);2004年02期

10 王華;應(yīng)晶;蔣濤;;基于審查不確定性的預(yù)見(jiàn)式軟件自適應(yīng)[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2010年01期

相關(guān)會(huì)議論文 前10條

1 王蓬;宋明玉;張林芳;王新遠(yuǎn);;廣義自適應(yīng)相干累積算法改進(jìn)及其在線(xiàn)譜增強(qiáng)中的應(yīng)用[A];中國(guó)聲學(xué)學(xué)會(huì)2007年青年學(xué)術(shù)會(huì)議論文集（上）[C];2007年

2 陳博;方濱興;云曉春;;一種自適應(yīng)的蠕蟲(chóng)檢測(cè)和遏制方法的研究[A];全國(guó)網(wǎng)絡(luò)與信息安全技術(shù)研討會(huì)'2005論文集（上冊(cè)）[C];2005年

3 李國(guó);張心珂;楊國(guó)慶;高慶吉;;一種自適應(yīng)的運(yùn)動(dòng)目標(biāo)實(shí)時(shí)跟蹤算法[A];2006年首屆ICT大會(huì)信息、知識(shí)、智能及其轉(zhuǎn)換理論第一次高峰論壇會(huì)議論文集[C];2006年

4 高翠芳;吳小俊;;基于二階差分的聚類(lèi)數(shù)自動(dòng)確定方法[A];江蘇省系統(tǒng)工程學(xué)會(huì)第十一屆學(xué)術(shù)年會(huì)論文集[C];2009年

5 楊寒光;;電子地圖中的自適應(yīng)注記[A];工程設(shè)計(jì)與計(jì)算機(jī)技術(shù)：第十五屆全國(guó)工程設(shè)計(jì)計(jì)算機(jī)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2010年

6 孟宏;劉玉;;基于復(fù)調(diào)制的自適應(yīng)細(xì)化譜算法[A];2008中國(guó)儀器儀表與測(cè)控技術(shù)進(jìn)展大會(huì)論文集（Ⅰ）[C];2008年

7 唐文彬;郝重陽(yáng);;目標(biāo)成像識(shí)別的自適應(yīng)融合系統(tǒng)和方法[A];中國(guó)圖象圖形科學(xué)技術(shù)新進(jìn)展——第九屆全國(guó)圖象圖形科技大會(huì)論文集[C];1998年

8 劉洋;江志綱;丁增喜;王大玲;鮑玉斌;于戈;;一種基于圖的聚類(lèi)算法GB-Cluster[A];第十九屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2002年

9 李浪波;傅彥;劉紅;;基于范例推理的網(wǎng)格和密度聚類(lèi)算法[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

10 賈棋;于玉龍;郭禾;李豪杰;;基于自適應(yīng)模板的快速人臉檢測(cè)[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【poster】[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 王振佳;基于基因表達(dá)數(shù)據(jù)的雙聚類(lèi)算法研究[D];山東大學(xué);2016年

2 任敏;自適應(yīng)模糊聚類(lèi)算法及其在入侵檢測(cè)中的應(yīng)用研究[D];山東師范大學(xué);2017年

3 王蓉芳;基于協(xié)同進(jìn)化優(yōu)化和圖像先驗(yàn)的分塊自適應(yīng)壓縮感知[D];西安電子科技大學(xué);2014年

4 胡雅婷;可能性聚類(lèi)方法研究及應(yīng)用[D];吉林大學(xué);2012年

5 王縱虎;聚類(lèi)分析優(yōu)化關(guān)鍵技術(shù)研究[D];西安電子科技大學(xué);2012年

6 周世兵;聚類(lèi)分析中的最佳聚類(lèi)數(shù)確定方法研究及應(yīng)用[D];江南大學(xué);2011年

7 楊燕;基于計(jì)算智能的聚類(lèi)組合算法研究[D];西南交通大學(xué);2006年

8 馮永;基于計(jì)算智能的聚類(lèi)技術(shù)及其應(yīng)用研究[D];重慶大學(xué);2006年

9 劉晨;高伸縮性聚類(lèi)分析方法研究[D];哈爾濱工程大學(xué);2013年

10 王強(qiáng);局部疊加基因表達(dá)模式聚類(lèi)分析方法研究[D];哈爾濱工業(yè)大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 魏建東;K-means初始化算法研究[D];南京理工大學(xué);2015年

2 張依;基于MapReduce的k-means聚類(lèi)算法并行化研究[D];中央民族大學(xué);2015年

3 劉嬋;蟻群與K均值聚類(lèi)算法融合研究及其在用戶(hù)分群中的應(yīng)用[D];西南科技大學(xué);2015年

4 朱琪;基于減法聚類(lèi)的混合算法研究[D];湖南科技大學(xué);2015年

5 韓偉森;聚類(lèi)集成研究與應(yīng)用[D];貴州大學(xué);2015年

6 譚浩;K-Means算法改進(jìn)及其在森林健康評(píng)價(jià)中的應(yīng)用[D];中南林業(yè)科技大學(xué);2015年

7 嚴(yán)巍;以KPCA為核心的FCM算法改進(jìn)[D];成都理工大學(xué);2015年

8 汪娟;基于權(quán)重設(shè)計(jì)的聚類(lèi)集成算法研究[D];重慶大學(xué);2015年

9 牛品菽;基于圖模型的高效聚類(lèi)算法研究[D];北京交通大學(xué);2016年

10 蔡洪山;大數(shù)據(jù)分析中的聚類(lèi)算法研究[D];安徽理工大學(xué);2016年

，

本文編號(hào)：1772729